语音数据标注方法、装置、计算机设备及存储介质与流程

本发明涉及计算机应用技术，特别涉及语音数据标注方法、装置、计算机设备及存储介质。

背景技术：

随着人们日常生活水平的提高和科技的日新月异，人们希望通过更自然的方式进行人机对话，获取信息和服务，因此对语音这种交互方式的识别准确率的要求也越来越高。

相应地，就需要有识别准确的语音识别模型，而语音识别模型的训练、优化、评估等工作，均依赖大量标注准确的语音数据。

目前，语音标注主要采用人工标注方式，这种方式在实际应用中至少存在以下问题：效率低下：语音标注工作，当前基本靠人耳听、手工记录等方式进行，一个人标注几个小时的高准确率语音数据，已经算是超高水平产出，而实际需要的往往是数万小时的语音数据；准确性不足：人工标注工作重复单调，长期从事该工作的人很容易产生疲劳感，从而导致标注错误。

技术实现要素：

有鉴于此，本发明提供了语音数据标注方法、装置、计算机设备及存储介质。

具体技术方案如下：

一种语音数据标注方法，包括：

获取线上服务积累的语音数据，每条语音数据中包括：用户的语音及对应的识别结果；

按照预先设定的至少一种判别方式，对语音数据的识别结果的准确性进行判别，标注出识别结果判定为准确的正样本语音数据以及识别结果判定为不准确的负样本语音数据。

一种语音数据标注装置，包括：获取单元以及标注单元；

所述获取单元，用于获取线上服务积累的语音数据，每条语音数据中包括：用户的语音及对应的识别结果；

所述标注单元，用于按照预先设定的至少一种判别方式，对语音数据的识别结果的准确性进行判别，标注出识别结果判定为准确的正样本语音数据以及识别结果判定为不准确的负样本语音数据。

一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。

基于上述介绍可以看出，本发明所述方案中可针对线上服务积累的语音数据，自动地将其标注为正样本和负样本，从而克服了人工标注所存在的问题，提升了标注效率和标注结果的准确性，并实现了对于线上服务积累的语音数据的有效利用等。

【附图说明】

图1为本发明所述语音数据标注方法实施例的流程图。

图2为本发明所述语音识别效果提升闭环示意图。

图3为本发明所述语音数据标注装置实施例的组成结构示意图。

图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。

【具体实施方式】

为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案进行进一步说明。

显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1为本发明所述语音数据标注方法实施例的流程图。如图1所示，包括以下具体实现方式。

在101中，获取线上服务积累的语音数据，每条语音数据中包括：用户的语音及对应的识别结果。

在102中，按照预先设定的至少一种判别方式，对语音数据的识别结果的准确性进行判别，标注出识别结果判定为准确的正样本语音数据以及识别结果判定为不准确的负样本语音数据。

目前，很多线上服务需要进行语音识别，相应地，可积累海量的语音数据，而这些数据一直未进行有效的开发利用。

通常来说，标注语音数据的句准率要求95％以上才能用于语音识别模型的训练等，但实际场景中的语音识别结果并不能达到这样的要求，受环境、距离、反射、衰变等条件影响，句准率达到85％就已经算是比较高的水平了，85％句准率的语音数据不能满足句准率95％以上的要求，因此需要从低纯度的(85％)的语音数据中过滤出高纯度(95％以上)的语音数据。具体到本实施例中，可按照预先设定的至少一种判别方式，对线上服务积累的语音数据的识别结果的准确性进行判别，从而标注出识别结果判定为准确的正样本语音数据以及识别结果判定为不准确的负样本语音数据。

每条语音数据中可包括：用户的语音(如语音query)及对应的识别结果。

对于正样本语音数据，可直接使用，如直接作为训练集供语音识别模型训练等使用。对于负样本语音数据，可通过人工标注或其它技术手段，对其识别结果进行修正，并可将修正后的负样本语音数据作为正样本语音数据进行使用，从而使语音识别模型得到更定向精准优化等。

所述至少一种判别方式可包括但不限于以下之一或任意组合：基于固定过滤规则的判别方式、基于用户行为分析的判别方式、基于语音与文本特征分析的判别方式、基于用户口音的判别方式、基于多模型联合的判别方式、基于声纹的判别方式。

以下分别对上述各判别方式的具体实现进行说明。

1)基于固定过滤规则的判别方式

固定过滤规则主要包含一些常见的语音识别错误的情况。

比如，若任一语音数据的识别结果中包含单个字或词的连续重复，则可判定该语音数据的识别结果不准确。

单个字或词的连续重复可以是指“嗯嗯”、“啊啊”等，如果某一识别结果中包含这些内容，大概率识别错误，从而可判定识别结果不准确。

再比如，若任一语音数据的语音长度与识别结果长度不匹配，则可判定该语音数据的识别结果不准确。

正常人口述1秒时间可说1～3个字，那么如果平均1秒的语音长度对应的识别结果小于1个字或者大于3个字，则大概率识别错误，从而可判定识别结果不准确。

再比如，若任一语音数据的识别结果中包含错误码，则可判定该语音数据的识别结果不准确。

再比如，若任一语音数据的识别结果属于预定的常见错误案例，则可判定该语音数据的识别结果不准确。

如识别结果为“百度一下，你就知道”，很可能是由于用户误操作或其它原因导致的错误识别，因为这不符合正常的用户语音query内容。

2)基于用户行为分析的判别方式

本实施例中，除了获取线上服务积累的语音数据之外，还可进一步获取用户的线上日志数据。

根据线上日志数据，可获取到用户的一些行为信息，而这些行为信息有助于对识别结果的准确性进行判别。

比如，若根据线上日志数据确定出任一语音数据的识别结果被用户进行了修改，则可判定该语音数据的修改后的识别结果准确。

当用户输入语音之后，若发现识别结果与自己预期的不符，可对识别结果进行主动修改，修改后的识别结果可被视为对错误的识别结果的纠错，相应地，可判定修改后的识别结果准确。

再比如，若根据线上日志数据确定出用户针对任一语音数据的识别结果执行了预定的后续动作，则可判定该语音数据的识别结果准确。

若识别结果正确，用户通常会有后续的动作，如发出检索指令等。

再比如，若根据所述线上日志数据确定出用户在输入任一语音数据的语音之前的预定时长内至少一次输入过发音相似的语音，则可判定该语音数据的识别结果准确。

若用户输入的语音被识别错误，除了主动修改之外，用户还可能会重复输入语音，直到识别结果正确，也就是说，用户最后一次输入的语音对应的识别结果通常是准确的。

3)基于语音与文本特征分析的判别方式

比如，若任一语音数据的语音的信噪比低于预定阈值，则可判定该语音数据的识别结果不准确。

如果信噪比很小，说明语音中夹杂着很大的噪声，这种情况下的识别结果通常都是不准确的。

再比如，若任一语音数据的语音中包含长静音和/或长白噪声，则可判定该语音数据的识别结果不准确。

正常情况下，用户输入的语音是连续流畅的，如果出现了长静音和/或长白噪声，很可能是出现了问题，从而可判定识别结果不准确。

再比如，若任一语音数据的识别结果的文法不符合文法要求，则可判定该语音数据的识别结果不准确。

若识别结果的文法不符合文法要求如汉语文法要求，即不是正常的生活用语，那么大概率识别错误，从而可判定识别结果不准确。

4)基于用户口音的判别方式

比如，若任一语音数据对应的用户的口音为标准普通话，则可判定该语音数据的识别结果准确。

相比于地方方言或带有地域口音的普通话等，当用户的口音为标准普通话时，识别结果通常更为准确。可通过人工听取或其它技术手段确定出用户的口音，如果某一用户的口音为标准普通话，那么可判定该用户对应的语音数据的识别结果准确。

另外，若用户的口音为地方方言或带有地域口音的普通话，还可通过对用户周边生活人群进行分析以及积累等，形成用户的口音对应的语音数据集。

用户周边生活人群可以是指用户的家人等，如父母、兄弟姐妹等，这些人的口音通常是相同的，这些人在使用线上服务时，wifi地址等通常相同，从而可以判定出用户周边生活人群。

可利用形成的语音数据集来对相应的语音识别模型进行评估、训练或优化等。

5)基于多模型联合的判别方式

比如，针对任一语音数据，可分别利用至少两个语音识别模型对该语音数据中的语音进行语音识别，并分别将每个语音识别模型的识别结果与该语音数据的识别结果进行比较，统计识别结果与该语音数据的识别结果一致的语音识别模型占全部语音识别模型的比例，若比例大于或等于预定阈值，则可判定该语音数据的识别结果准确。

其中，所述至少两个语音识别模型可属于两种不同的类型，所述类型包括：统计性模型以及神经网络模型，这两种类型是目前常用的两种语音识别模型类型。

所述比例大于或等于预定阈值，可以是指比例为100％，也可以是指小于100％但大于如80％。以100％为例，若不同类型的语音识别模型识别出的结果均与语音数据中的识别结果相同，则可判定识别结果准确。

6)基于声纹的判别方式

声纹可也称为音纹，可预先积累百万级用户用语的声纹数据库，其中可记录有各声纹信息以及各声纹信息分别对应的语音和识别结果。

这样，针对任一语音数据，可首先获取该语音数据中的语音的声纹信息，之后可将获取到的声纹信息与数据库中记录的各声纹信息进行匹配，若与数据库中记录的任一声纹信息匹配成功，可进一步确定该语音数据的识别结果与相匹配的声纹信息对应的识别结果的发音是否匹配，若是，则可判定该语音数据的识别结果准确。

识别结果的发音是否匹配，可以是指识别结果(文本形式)的发音的相似性是否大于预定阈值等。

上述各阈值的具体取值均可根据实际需要而定。

以上介绍的各判别方式仅为举例说明，并不用于限制本发明的技术方案。另外，当同时采用多种判别方式时，若根据任一判别方式判定出某一语音数据的识别结果不准确，则可将该语音数据标注为负样本语音数据，若根据任一判别方式判定出某一语音数据的识别结果准确，则可将该语音数据标注为正样本语音数据，或者，当根据各种判别方式均判定出该语音数据的识别结果准确时，将该语音数据标注为正样本语音数据，具体实现方式不限。

另外，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

总之，采用本发明方法实施例所述方案，可针对线上服务积累的语音数据，自动地将其标注为正样本和负样本，从而克服了人工标注所存在的问题，提升了标注效率和标注结果的准确性，并实现了对于线上服务积累的语音数据的有效利用等。

另外，采用本发明方法实施例所述方案，可基于标注结果来对语音识别模型进行训练或优化等，并可将语音识别模型上线，为用户服务，从而积累线上服务的语音数据，进而可对积累的语音数据进行自动标注等，实现语音识别效果提升闭环。如图2所示，图2为本发明所述语音识别效果提升闭环示意图。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

图3为本发明所述语音数据标注装置实施例的组成结构示意图。如图3所示，包括：获取单元301以及标注单元302。

获取单元301，用于获取线上服务积累的语音数据，每条语音数据中包括：用户的语音及对应的识别结果。

标注单元302，用于按照预先设定的至少一种判别方式，对语音数据的识别结果的准确性进行判别，标注出识别结果判定为准确的正样本语音数据以及识别结果判定为不准确的负样本语音数据。

标注单元302还可获取负样本语音数据的修正后的识别结果，将修正后的负样本语音数据作为正样本语音数据进行使用。

所述至少一种判别方式可包括但不限于以下之一或任意组合：基于固定过滤规则的判别方式、基于用户行为分析的判别方式、基于语音与文本特征分析的判别方式、基于用户口音的判别方式、基于多模型联合的判别方式、基于声纹的判别方式。

标注单元302按照基于固定过滤规则的判别方式，对语音数据的识别结果的准确性进行判别可包括：

针对任一语音数据，若确定该语音数据的识别结果中包含单个字或词的连续重复，则判定该语音数据的识别结果不准确；

针对任一语音数据，若确定该语音数据的语音长度与识别结果长度不匹配，则判定该语音数据的识别结果不准确；

针对任一语音数据，若确定该语音数据的识别结果中包含错误码，则判定该语音数据的识别结果不准确；

针对任一语音数据，若确定该语音数据的识别结果属于预定的常见错误案例，则判定该语音数据的识别结果不准确。

获取单元301还可获取用户的线上日志数据。标注单元302按照基于用户行为分析的判别方式，对语音数据的识别结果的准确性进行判别可包括：

针对任一语音数据，若根据线上日志数据确定出该语音数据的识别结果被用户进行了修改，则判定该语音数据的修改后的识别结果准确；

针对任一语音数据，若根据线上日志数据确定出用户针对该语音数据的识别结果执行了预定的后续动作，则判定该语音数据的识别结果准确；

针对任一语音数据，若根据线上日志数据确定出用户在输入该语音数据的语音之前的预定时长内至少一次输入过发音相似的语音，则判定该语音数据的识别结果准确。

标注单元302按照基于语音与文本特征分析的判别方式，对语音数据的识别结果的准确性进行判别可包括：

针对任一语音数据，若确定该语音数据的语音的信噪比低于预定阈值，则判定该语音数据的识别结果不准确；

针对任一语音数据，若确定该语音数据的语音中包含长静音和/或长白噪声，则判定该语音数据的识别结果不准确；

针对任一语音数据，若确定该语音数据的识别结果的文法不符合文法要求，则判定该语音数据的识别结果不准确。

标注单元302按照基于用户口音的判别方式，对语音数据的识别结果的准确性进行判别可包括：针对任一语音数据，若确定该语音数据对应的用户的口音为标准普通话，则判定该语音数据的识别结果准确。

若用户的口音为地方方言或带有地域口音的普通话，标注单元302还可通过对用户周边生活人群进行分析以及积累等，形成用户的口音对应的语音数据集。

标注单元302按照基于多模型联合的判别方式，对语音数据的识别结果的准确性进行判别可包括：针对任一语音数据，分别利用至少两个语音识别模型对该语音数据中的语音进行语音识别，并分别将每个语音识别模型的识别结果与该语音数据的识别结果进行比较，统计识别结果与该语音数据的识别结果一致的语音识别模型占全部语音识别模型的比例，若比例大于或等于预定阈值，则判定该语音数据的识别结果准确。

其中，所述至少两个语音识别模型可属于两种不同的类型，所述类型可包括：统计性模型以及神经网络模型。

标注单元302按照基于声纹的判别方式，对语音数据的识别结果的准确性进行判别可包括：

针对任一语音数据，获取该语音数据中的语音的声纹信息；

将获取到的声纹信息与数据库中记录的各声纹信息进行匹配，数据库中记录有各声纹信息以及各声纹信息分别对应的语音和识别结果；

若与数据库中记录的任一声纹信息匹配成功，则进一步确定该语音数据的识别结果与相匹配的声纹信息对应的识别结果的发音是否匹配，若是，则判定该语音数据的识别结果准确。

图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本发明装置实施例所述方案，可针对线上服务积累的语音数据，自动地将其标注为正样本和负样本，从而克服了人工标注所存在的问题，提升了标注效率和标注结果的准确性，并实现了对于线上服务积累的语音数据的有效利用等。

图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图4显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器(处理单元)16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图4所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1所示实施例中的方法。

本发明同时公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时将实现如图1所示实施例中的方法。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法等，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。